基于仿生模式识别的手写体汉字识别方法的研究

为了提高机器识别汉字的容错性和准确性,运用仿生模式识别手写体汉字,并以机器"认知"取代机器对特征样本的"区分",研究了手写体汉字的识别方法。该方法先采用双权值椭圆形神经元对汉字的横、竖、撇、捺4类基本笔段进行覆盖;然后通过分析笔段神经元间的拓扑性质来合成具有容错表征方式的6种汉字笔划类型;接着模仿人类汉字形码输入法,通过统计具有冗余容错形状的笔划神经元类型、数量、位置和相合相交数量,建立了手写体汉字特征知识的数据结构表;最后模仿人学习、记忆及对比判断的能力,先验地建立了标准印刷汉字的样本知识库和容错匹配方法。通过对SCUT-IRAC手写体汉字库中的简单和较复杂手写体汉字识别进行的仿真实验结果表明,该方法具有接近人类识别汉字的容错性和准确性。     

基于过程神经元的手写体汉字仿人识别研究

为有效地获取脱机手写体汉字笔划信息,采用过程神经元网络提取手写体汉字基本笔段,分析各类笔段间的拓扑性质,并将手写体汉字图像转化为具有容错表征方式的六种汉字笔划类型在不同位置组成的几何图形.模仿人类汉字形码输入法,统计具有冗余容错形状的笔划类型和相合相交点的数量和位置,建立手写体汉字多维特征知识数据结构表,通过对比和判断仿人容错地识别手写体汉字.对SCUT-IRAC手写体汉字库中汉字进行了实验仿真,该方法具有较强的"认知"手写体汉字的能力.     

一种基于仿生识别的脱机手写体汉字识别方法

运用仿生模式识别方法构建提取基本笔段的神经元序列覆盖手写体汉字图像,分析笔段神经元间的拓扑性质,将手写体汉字图像转化为具有容错表征方式的6种汉字笔划类型组成的几何图形.模仿人类汉字形码输入法,统计具有冗余容错形状的笔划神经元类型、数量、位置、相合和相交点数量,建立手写体汉字特征知识的数据结构表.对SCUT-IRAC手写体汉字库中手写体汉字识别进行仿真实验,结果证明本文方法具有较强的"认知"手写体汉字的能力.     

基于量子神经网络的手写体数字识别方法研究

手写体数字识别问题是模式识别领域的一个重要研究课题.提出了一种基于多层激励函数的量子神经网络和多级分类器组合的手写体数字识别方法,采用MNIST数据库进行训练和测试.实验结果表明,该识别方法在识别率和可靠性方面均有很好的效果,同时也体现出量子神经网络用于模式识别的优越性和潜力.     

手写体汉字识别的神经网络算法

本文提出了一种用于手写体汉字识别的神经网络算法，该算法可以模拟人类认识过程在特征提取和分类方面的联想记忆特性，可将其非监督／监督学习机制的自适应动力学属性应用于系统的稳定和优化。该算法同现有算法的区别主要体现在两，点上：（１）神经网络的联想记忆机制将传统模式识别中的两个独立过程──特征提取与模式分类有机地加以综合；（２）自组织映射（ＫｏｈｏｎｅｎＳｏｍ）网络与ＢＰ学习机制相综合，以有效地进行汉字识别和极大地提高收敛速度。该算法已应用于手写体汉字识别，并且对并行分布式仿真环境和体系结构来说，它是可并行化和实用的。     

基于集成RBF神经网络的小类别手写体汉字识别系统

该文介绍了RBF神经网络的模型,讨论了RBF网络分类器的机理和特点,提出了一种集成RBF神经网络并应用于小类别手写体汉字识别系统的设计,采用了组合重心分解网格特征方法来提取汉字特征,设计了遗传进化隐层节点自生成算法用于RBF的训练。实验表明该小类别手写体汉字识别系统有很高的识别率,具有一定的实用推广价值。     

基于Walsh变换的过程神经网络建模及应用

着重研究了基于离散数据的过程神经网络建模问题。考虑到来自现场的过程变量数据基本都是离散的采样数据,并且其中存在伪数据的情况,故先对离散采样数据进行预处理,然后采用离散Walsh变换法对数据进行转换,即将网络输入函数和权函数在Walsh基下映射为一组新的时变向量,将积分聚合运算简化为向量内积运算,实现离散采样数据对连续网络的直接输入。应用所建立的过程神经网络模型对发酵过程菌体浓度进行了预测,取得了较好的效果．     

基于仿生模式识别理论的高阶神经网络说话人识别方法

根据一种全新的仿生模式识别理论,提出了采用神经网络实现并完成说话人识别的新方法。该方法利用高阶神经网络形成的复杂包络在特征空间中构造不同说话人的覆盖区域达到识别目的。相关实验证明,这种新的说话人识别方法只要通过少量样本的训练即可达到比传统方法更高的识别率。     

基于弹性网格模糊特征的手写体汉字识别方法

网格方向特征在手写体汉字识别系统中得到广泛应用,被认为是目前较成熟的手写体汉字特征之一。网格技术是网格方向特征的关键技术之一。根据汉字笔画分布特点及拓扑结构的相关性,提出了一种新的基于弹性网格及其相关模糊特征的提取方法。该方法使特征向量的信息量增加,特征更加稳定。对银行支票图像大写金额的识别率达到97.64%,实验结果证明本文方法比其他网格方向特征更有效。     

一种基于骨架特征和神经网络的手写体字符识别技术

对英文字符集的识别问题,提出了一种依据细化后的字符骨架特征进行分类,并对每一类别的字符各自建立神经网络进行训练和识别的方案。在二值图象理论的基础上,通过对字符轮廓特征的分析,提出了一种对英文字符集的分类方案,同时提出了一种快速有效的骨架链码形成和特征提取算法。     

基于过程神经元网络的汉字笔段提取算法研究

提出一种利用过程神经元网络,对脱机手写体汉字二维图像的笔段提取方法。定义了脱机手写体汉字笔段的提取方法,给出了用于脱机手写体汉字笔段提取的过程神经网络的模型和学习算法,并对算法进行了仿真实验。该方法与其他汉字笔段提取方法相比,具有速度快、可学习、鲁棒性好的特点。经实验证明,该方法是行之有效的。     

基于改进inception的脱机手写汉字识别

由于字形的复杂多变,脱机手写汉字的识别一直是模式识别的难题,深度卷积神经网络的发展为其提供了一种直接有效的解决方案。研究基于inceptions 结构神经网络的脱机手写汉字识别,提出了一种inception结构的改进方法,它具有结构更加简单、网络深度扩展更加容易、需要的训练参数量更少的优点。该方法在数据集CISIA-HWDB1.1 上进行了实验验证,采用随机梯度下降优化算法,模型达到了96.95%的平均准确率。实验结果表明,使用改进的inception结构在图像分类上具有更好的鲁棒性,更容易扩展到其他应用领域。     

基于深度学习的异噪声下手写汉字识别的研究

针对手写汉字字符图像识别率受随机噪声影响的问题,提出了一种基于深度学习与抑制噪声相结合的新算法。该算法主要应用于拥有随机噪声的手写汉字字符图片,是其在Python环境下,利用Caffe平台建立抑制噪声与卷积神经网络相结合的模型,通过模型移除噪声并正确识别手写汉字。另外,新算法去除噪声的同时对字符形态没有改变,保留了汉字的原始信息。结果在其两种不同的噪声（高斯噪声和椒盐噪声）下,逐渐提升其噪声强度,进行多次实验,同时与其他方法对比,最终得到其平均识别率为97.05%。实验结果表明,该模型和算法具有效率快、识别能力强的优点。     

基于人工神经网络的板形模式识别方法

根据带钢板形控制的要求,运用人工神经网络理论,提出了一种新的板形识别方法,代替了传统的多项式最小二乘拟合法,该法具有很强的容错性和抗干扰能力,编制了板形模式识别软件,识别效果很好。     

Unconstrained handwritten character recognition based on fuzzy logic

This paper presents an innovative approach called box method for feature extraction for the recognition of handwritten characters. In this method, the binary image of the character is partitioned into a fixed number of subimages called boxes. The features consist of vector distance (γ) from each box to a fixed point. To find γ the vector distances of all the pixels, lying in a particular box, from the fixed point are calculated and added up and normalized by the number of pixels within that box. Here, both neural networks and fuzzy logic techniques are used for recognition and recognition rates are found to be around 97 percent using neural networks and 98 percent using fuzzy logic. The methods are independent of font, size and with minor changes in preprocessing, it can be adopted for any language.     

基于联合卷积和递归神经网络的交通标志识别

提出了一种联合卷积和递归神经网络的深层网络结构,在卷积神经网络中引入了递归神经网络能学到的组合特征:原始图片先通过一级由k均值聚类学得滤波器的卷积神经网络,得到的结果再同时通过一级卷积和一级递归神经网络,最后得到的特征向量由Softmax分类器进行分类。实验结果表明:在第二级卷积和递归神经网络权重随机的情况下,该网络的识别率已经能够达到98.28%,跟其他网络结构相比,大大减少了训练时间,而且无需复杂的工程技巧。     

基于前向神经网络的呈香物质识别方法研究

介绍了所研制的一个人工嗅觉装置,详细叙述该装置对呈香物质的识别过程。实验结果表明,采用SuperSAB算法可以显著地提高人工嗅觉装置对香气物质的分析识别速度,为在线检测提供了条件,同时实验结果的准确性也较满意。     

基于神经网络集成的汽车牌照识别

对基于神经网络集成的汽车牌照识别的原理和方法进行了研究,并着重分析了现有技术的积极因素和潜在问题,提出了一种基于神经网络集成进行车牌文字识别的方法.在特征提取时采用了多种特征提取的方法,对提取的每种特征构建一个BP神经网络分别进行训练.最终待识别的字符将被神经网络集成进行识别.实践证明,利用该方法比单个神经网络识别有更高的识别率,具有较高的使用价值.     

Thinning and stroke segmentation for handwritten Chinese character recognition

Firstly, a thinning technique by means of stroke tracking is proposed. The method is considered to preserve the straightness of strokes and the length, which is useful for the stroke segmentation procedure on the recognition of handwritten Chinese characters.Secondly, a method for stroke segmentation, i.c. a way of breaking down a character to a set of consecutive partial strokes, is proposed, which works well owing to the favourable properties of the proposed thinning technique. The method consists of five procedures: extraction of feature pixels, calculation of stroke directions, piecewise linear representation of strokes, unification of intersections and extraction of the consecutive partial strokes.